Компания Inscribe разработала систему на базе Amazon Bedrock, которая сокращает время выявления мошенничества с 30 минут до 90 секунд, используя сразу несколько языковых моделей.
3 мин
Компания Inscribe внедрила агентную систему искусственного интеллекта на базе Amazon Bedrock для выявления поддельных финансовых документов. Новое решение позволяет анализировать банковские выписки, налоговые декларации и удостоверения личности менее чем за 90 секунд. Это в 20 раз быстрее традиционной ручной проверки, которая в среднем занимает около получаса на одну заявку.
Проблема подделки документов в финансовом секторе достигла критических масштабов. По данным Inscribe, следы мошенничества сегодня встречаются в каждом шестнадцатом документе, а количество подделок, сгенерированных с помощью искусственного интеллекта, выросло в пять раз всего за несколько месяцев. Традиционные методы ручной проверки больше не справляются с таким объемом. Аналитики физически не успевают выявлять сложные дипфейки и скоординированные атаки, а статичные системы, основанные на жестких правилах, пропускают новые схемы обмана.
Решением стала агентная архитектура (agentic AI). В отличие от обычных чат-ботов, которые просто отвечают на запросы, агентная система работает как самостоятельный аналитик. Она получает задачу, разбивает ее на этапы, использует различные инструменты и доводит дело до конца. В случае Inscribe система не просто ищет подозрительные поля. Она отправляет документ нужным моделям, проводит параллельные криминалистические проверки, ищет информацию в интернете для подтверждения данных работодателя и генерирует готовый отчет.
Главная техническая особенность архитектуры Inscribe — отказ от использования одной универсальной модели в пользу маршрутизации задач (model routing). Разработчики использовали платформу Amazon Bedrock для интеграции нескольких базовых моделей под разные нужды, что позволило оптимизировать как скорость, так и стоимость инфраструктуры.
Inscribe fraud detection architecture on AWS showing document ingestion, queue-based asynchronous processing, text extraction, the Amazon Bedrock multi-model pipeline, Amazon SageMaker AI models, and the storage and observability layers
Для рутинных задач, таких как первичный парсинг документов, извлечение полей и базовая классификация, используется Anthropic Claude Haiku 4.5. Это позволяет снизить затраты на логический вывод (inference) примерно на 40% по сравнению с более тяжелыми моделями, сохраняя при этом высокую скорость. Для обогащения данных о транзакциях и извлечения сущностей применяются модели семейства Meta Llama. Инженеры Inscribe отмечают, что на этих специфических задачах Llama показывает качество, сопоставимое с дорогими аналогами, но обходится значительно дешевле.
Роль координатора и главного аналитика выполняет Anthropic Claude Sonnet. Эта модель отвечает за самые сложные этапы: кросс-документальный анализ, многошаговую логику, интеграцию с веб-поиском и генерацию финального отчета. Большое контекстное окно Sonnet позволяет модели удерживать в памяти весь пакет документов клиента, выявляя несоответствия, которые невозможно заметить при анализе каждой бумаги по отдельности.
Подход Inscribe демонстрирует важный сдвиг в корпоративной ИИ-разработке. Индустрия постепенно уходит от идеи «одна огромная модель для всего» к созданию систем оркестрации, где каждая задача направляется наиболее подходящему инструменту. Это не только снижает операционные расходы, но и повышает общую надежность системы.
В ближайшем будущем мы, вероятно, увидим стандартизацию подобных мультимодельных пайплайнов в большинстве отраслей, связанных с комплаенсом и документооборотом. Способность ИИ-агентов автономно проводить расследования и формировать аудиторский след становится не просто конкурентным преимуществом, а базовым требованием для выживания финансовых учреждений в эпоху алгоритмического мошенничества.
Использование мультимодельных ИИ-агентов позволяет автоматизировать сложный комплаенс, многократно ускоряя процесс без потери качества и с оптимизацией затрат на API.
Секрет эффективной корпоративной ИИ-системы кроется не в выборе одной самой умной модели, а в грамотной маршрутизации задач между дешевыми и дорогими нейросетями.
